✔ Физики передали квантовую запутанность на 420 км
Команда Научно-технического университета Китая связала запутанностью два удаленных модуля памяти на холодных атомах через оптоволокно длиной 420 км.
Достижение важно тем, что превзойден предел PLOB - теоретический потолок для прямой передачи запутанности по каналу без ретрансляции, который начинает мешать после 230 км. Обойти его удалось как раз потому, что квантовая память играет роль промежуточного узла. Это один из кирпичей для будущих квантовых повторителей и квантового интернета.
Чтобы уменьшить потери, квантовую память перевели с длины волны 795 нм на 780 нм и перестроили схему преобразования частот, подогнав сигнальные фотоны под окно сверхнизких потерь волокна. Рассинхронизацию фаз убрали автоподстройкой на двух длинах волн и трех частотах. Интерференция фотонов оставалась стабильной на всех 420 км.
https://www.cas.cn/syky/202608/t20260817_5118473.shtml
Команда Научно-технического университета Китая связала запутанностью два удаленных модуля памяти на холодных атомах через оптоволокно длиной 420 км.
Достижение важно тем, что превзойден предел PLOB - теоретический потолок для прямой передачи запутанности по каналу без ретрансляции, который начинает мешать после 230 км. Обойти его удалось как раз потому, что квантовая память играет роль промежуточного узла. Это один из кирпичей для будущих квантовых повторителей и квантового интернета.
Чтобы уменьшить потери, квантовую память перевели с длины волны 795 нм на 780 нм и перестроили схему преобразования частот, подогнав сигнальные фотоны под окно сверхнизких потерь волокна. Рассинхронизацию фаз убрали автоподстройкой на двух длинах волн и трех частотах. Интерференция фотонов оставалась стабильной на всех 420 км.
https://www.cas.cn/syky/202608/t20260817_5118473.shtml
👍10❤4
⚡️Терренс Тао: AI может сделать доказательства массовыми раньше, чем математика успеет к этому адаптироваться
В новой работе *Mathematics in the age of AI* Терренс Тао пишет, что математика входит в период серьёзной турбулентности.
Проблема уже не только в том, сможет ли AI доказывать теоремы.
Куда важнее другое: что произойдёт, если генерация доказательств станет дешёвой и массовой?
Тогда придётся заново отвечать на вопросы:
— что вообще считать вкладом в математику
— что значит «понять» доказательство
— за что давать признание
— кто считается автором работы: человек, AI или их связка
— какие результаты действительно ценны, если доказательств стало слишком много
Тао считает, что математикам придётся сделать явными те правила и ценности, которые раньше существовали неформально.
То есть AI может изменить не только то, как мы доказываем теоремы, но и само понимание того, что считается хорошей математикой.
https://arxiv.org/abs/2608.16753
В новой работе *Mathematics in the age of AI* Терренс Тао пишет, что математика входит в период серьёзной турбулентности.
Проблема уже не только в том, сможет ли AI доказывать теоремы.
Куда важнее другое: что произойдёт, если генерация доказательств станет дешёвой и массовой?
Тогда придётся заново отвечать на вопросы:
— что вообще считать вкладом в математику
— что значит «понять» доказательство
— за что давать признание
— кто считается автором работы: человек, AI или их связка
— какие результаты действительно ценны, если доказательств стало слишком много
Тао считает, что математикам придётся сделать явными те правила и ценности, которые раньше существовали неформально.
То есть AI может изменить не только то, как мы доказываем теоремы, но и само понимание того, что считается хорошей математикой.
https://arxiv.org/abs/2608.16753
❤11👍6🔥3✍2
🔥 Хочешь быстрее расти в IT? Хватит учиться в одиночку
Окружение решает больше, чем кажется.
Собрал папки и каналы, где можно быстрее влиться в нужное направление, следить за трендами и не вариться в своём пузыре.
AI: t.me/ai_machinelearning_big_data
Python: t.me/pythonl
Linux: t.me/linuxacademiya
Хакинг: t.me/linuxkalii
DevOps: t.me/DevOPSitsec
Docker: https://t.me/+90Z5TAyfuNU5YmRi
Golang: t.me/Golang_google
Rust: t.me/rust_code
C++: t.me/cpluspluc
C#: t.me/csharp_1001_notes
Java: t.me/javatg
JavaScript: t.me/javascriptv
React: t.me/react_tg
Frontend: t.me/front
PHP: t.me/phpshka
Android: t.me/android_its
Мобильная разработка: t.me/mobdevelop
Базы данных: t.me/sqlhub
Data Science: t.me/data_analysis_ml
Big Data: t.me/bigdatai
Математика: t.me/data_math
Физика: https://t.me/+S4hinvO3QI43ZjNi
Kubernetes: t.me/kubernetc
GameDev: https://t.me/gamedev
Haskell: t.me/haskell_tg
Собеседования и карьера:
DS собеседования: t.me/machinelearning_interview
Python собеседования: t.me/python_job_interview
Папка с вакансиями: t.me/addlist/_zyy_jQ_QUsyM2Vi
Папка Go разработчика: t.me/addlist/MUtJEeJSxeY2YTFi
Папка Python разработчика: t.me/addlist/eEPya-HF6mkxMGIy
Папка ML: https://t.me/addlist/2Ls-snqEeytkMDgy
Папка Frontend: https://t.me/addlist/mzMMG3RPZhY2M2Iy
Полезное сверху:
ИТ-мемы: t.me/memes_prog
Английский для программистов: t.me/english_forprogrammers
ИИ и технологии: t.me/vistehno
954 ГБ open-source курсов: https://t.me/+rKBQEMccAA01MTcy
ИТ-книги бесплатно: https://t.me/addlist/BkskQciUW_FhNjEy
Max Ai: https://max.ru/ai_machinelearning_big_data
Max python: https://max.ru/pythonl
ТЕХНО: https://max.ru/vistehno
Max Go: https://max.ru/Golang_google
Max Linux: https://max.ru/linuxkalii
Devops: https://max.ru/DevOPSitsec
C#: https://max.ru/csharp_ci
C++: https://max.ru/cpluspluc
SQL: https://max.ru/sqlhub
Java: https://max.ru/javatg
Подписывайся на нужные направления и собирай себе ленту, которая реально двигает вперёд.
Окружение решает больше, чем кажется.
Собрал папки и каналы, где можно быстрее влиться в нужное направление, следить за трендами и не вариться в своём пузыре.
AI: t.me/ai_machinelearning_big_data
Python: t.me/pythonl
Linux: t.me/linuxacademiya
Хакинг: t.me/linuxkalii
DevOps: t.me/DevOPSitsec
Docker: https://t.me/+90Z5TAyfuNU5YmRi
Golang: t.me/Golang_google
Rust: t.me/rust_code
C++: t.me/cpluspluc
C#: t.me/csharp_1001_notes
Java: t.me/javatg
JavaScript: t.me/javascriptv
React: t.me/react_tg
Frontend: t.me/front
PHP: t.me/phpshka
Android: t.me/android_its
Мобильная разработка: t.me/mobdevelop
Базы данных: t.me/sqlhub
Data Science: t.me/data_analysis_ml
Big Data: t.me/bigdatai
Математика: t.me/data_math
Физика: https://t.me/+S4hinvO3QI43ZjNi
Kubernetes: t.me/kubernetc
GameDev: https://t.me/gamedev
Haskell: t.me/haskell_tg
Собеседования и карьера:
DS собеседования: t.me/machinelearning_interview
Python собеседования: t.me/python_job_interview
Папка с вакансиями: t.me/addlist/_zyy_jQ_QUsyM2Vi
Папка Go разработчика: t.me/addlist/MUtJEeJSxeY2YTFi
Папка Python разработчика: t.me/addlist/eEPya-HF6mkxMGIy
Папка ML: https://t.me/addlist/2Ls-snqEeytkMDgy
Папка Frontend: https://t.me/addlist/mzMMG3RPZhY2M2Iy
Полезное сверху:
ИТ-мемы: t.me/memes_prog
Английский для программистов: t.me/english_forprogrammers
ИИ и технологии: t.me/vistehno
954 ГБ open-source курсов: https://t.me/+rKBQEMccAA01MTcy
ИТ-книги бесплатно: https://t.me/addlist/BkskQciUW_FhNjEy
Max Ai: https://max.ru/ai_machinelearning_big_data
Max python: https://max.ru/pythonl
ТЕХНО: https://max.ru/vistehno
Max Go: https://max.ru/Golang_google
Max Linux: https://max.ru/linuxkalii
Devops: https://max.ru/DevOPSitsec
C#: https://max.ru/csharp_ci
C++: https://max.ru/cpluspluc
SQL: https://max.ru/sqlhub
Java: https://max.ru/javatg
Подписывайся на нужные направления и собирай себе ленту, которая реально двигает вперёд.
❤3🔥1
⚡️ Теперь RL можно обучать прямо через реальный агентный harness, даже если он для тебя black box
ClawGym II показывает интересный подход: Claude Code или OpenClaw можно оставить без изменений и всё равно встроить их в RL training loop.
Фреймворк запускает агентный harness внутри sandbox, перехватывает model calls на serving-уровне и восстанавливает из них полные trajectories. После этого PPO или GRPO могут оптимизировать поведение модели уже с учётом реальной агентной среды.
Главный плюс: training stack не нужно заново реализовывать tool routing, retries, context management или subagents.
На Qwen3-30A3B это дало:
— +9.98 п.п. Pass@1 через OpenClaw
— +14.81 п.п. через Claude Code
Причём mix-harness training тоже сработал: одна политика, обученная сразу на OpenClaw и Claude Code, не хуже одиночных вариантов под обоими harness.
То есть следующий шаг в RL для агентов — обучать модель не в упрощённой симуляции, а прямо через тот сложный стек, в котором она потом будет реально работать.
Paper: arxiv.org/abs/2608.16798
ClawGym II: Exploring Black-Box RL on Agent Harness
ClawGym II показывает интересный подход: Claude Code или OpenClaw можно оставить без изменений и всё равно встроить их в RL training loop.
Фреймворк запускает агентный harness внутри sandbox, перехватывает model calls на serving-уровне и восстанавливает из них полные trajectories. После этого PPO или GRPO могут оптимизировать поведение модели уже с учётом реальной агентной среды.
Главный плюс: training stack не нужно заново реализовывать tool routing, retries, context management или subagents.
На Qwen3-30A3B это дало:
— +9.98 п.п. Pass@1 через OpenClaw
— +14.81 п.п. через Claude Code
Причём mix-harness training тоже сработал: одна политика, обученная сразу на OpenClaw и Claude Code, не хуже одиночных вариантов под обоими harness.
То есть следующий шаг в RL для агентов — обучать модель не в упрощённой симуляции, а прямо через тот сложный стек, в котором она потом будет реально работать.
Paper: arxiv.org/abs/2608.16798
ClawGym II: Exploring Black-Box RL on Agent Harness
❤4👍3🔥2
Forwarded from Machinelearning
Последние месяцы доказательства, сгенерированные ИИ, посыпались валом как для новых результатов, так и для старых, причем часть из них формализована на Lean и проверить такой репозиторий непросто, особенно если ты не эксперт. Нужно убедиться:
Под эту задачу и Теренс Тао запустил Palomar - реестр математики, верифицированной на Lean. Инициативу вырастили Lean FRO и ICARM.
Прием заявок уже идет, чтобы в него попасть, в репозитории должно быть три вещи:
Снимок поданного репозитория проверяют двумя этапами.
Сначала инструмент Comparator смотрит, что solution module типизируется и доказывает ровно то, что заявлено в challenge file. После этого языковая модель сверяет, похоже ли неформальное описание в на то, что заявлено формально.
Прошел оба - попал в реестр. Принимают формализации и старых результатов, и новых. Кто автор доказательства - человек, ИИ или оба вместе - значения не имеет.
@ai_machinelearning_big_data
#news #ai #ml
Please open Telegram to view this post
VIEW IN TELEGRAM
👍7❤4❤🔥2
📚 674 страницы по Machine Learning - бесплатно
Вышел открытый учебник Introduction to Machine Learning - полноценное введение в машинное обучение: от фундаментальных идей до алгоритмов и практических методов.
В книге:
* основы ML и математический фундамент;
* обучение с учителем и без учителя;
* классические алгоритмы;
* модели и методы оптимизации;
* оценка качества;
* ключевые техники, используемые в современных системах.
Отличный материал для студентов, разработчиков и всех, кто хочет разобраться в ML не только через готовые библиотеки, а понять, как всё работает внутри.
📖 674 страницы PDF бесплатно:
http://arxiv.org/abs/2409.02668
Вышел открытый учебник Introduction to Machine Learning - полноценное введение в машинное обучение: от фундаментальных идей до алгоритмов и практических методов.
В книге:
* основы ML и математический фундамент;
* обучение с учителем и без учителя;
* классические алгоритмы;
* модели и методы оптимизации;
* оценка качества;
* ключевые техники, используемые в современных системах.
Отличный материал для студентов, разработчиков и всех, кто хочет разобраться в ML не только через готовые библиотеки, а понять, как всё работает внутри.
📖 674 страницы PDF бесплатно:
http://arxiv.org/abs/2409.02668
❤8👍3
Forwarded from Data Science
📚 Бесплатная книга по выпуклой оптимизации - 130 страниц
"Convex Optimization: Algorithms and Complexity" - хорошее введение в алгоритмы выпуклой оптимизации и их вычислительную сложность.
Внутри:
* градиентные методы
* ускоренные методы
* субградиентная оптимизация
* проксимальные алгоритмы
* first-order methods
* оценки скорости сходимости
* сложность оптимизационных алгоритмов
Полезно для ML, математики и тех, кто хочет глубже понять, что стоит за обучением моделей.
PDF:
https://arxiv.org/abs/1405.4980
"Convex Optimization: Algorithms and Complexity" - хорошее введение в алгоритмы выпуклой оптимизации и их вычислительную сложность.
Внутри:
* градиентные методы
* ускоренные методы
* субградиентная оптимизация
* проксимальные алгоритмы
* first-order methods
* оценки скорости сходимости
* сложность оптимизационных алгоритмов
Полезно для ML, математики и тех, кто хочет глубже понять, что стоит за обучением моделей.
PDF:
https://arxiv.org/abs/1405.4980
❤6
Квантовое туннелирование - частица проходит через барьер, который классически пройти не должна
В обычной физике всё просто: если у частицы недостаточно энергии, чтобы преодолеть барьер, она должна отскочить назад.
В квантовой механике это работает иначе.
Частица описывается волновой функцией. Внутри барьера она не обрывается мгновенно, а экспоненциально затухает. Если барьер достаточно тонкий, небольшая часть вероятности остаётся и с другой стороны.
То есть частица может оказаться там, куда классическая физика её не пустила бы.
Вероятность туннелирования резко падает:
- при увеличении ширины барьера
- при увеличении массы частицы
Поэтому электроны туннелируют сравнительно легко, а для больших объектов вероятность практически исчезает.
И это не абстрактный эффект.
Квантовое туннелирование участвует в:
- термоядерных реакциях внутри Солнца
- альфа-распаде
- работе сканирующего туннельного микроскопа
- некоторых механизмах записи и стирания flash-памяти
Один из самых странных эффектов квантовой механики одновременно лежит в основе вполне обычных технологий.
В обычной физике всё просто: если у частицы недостаточно энергии, чтобы преодолеть барьер, она должна отскочить назад.
В квантовой механике это работает иначе.
Частица описывается волновой функцией. Внутри барьера она не обрывается мгновенно, а экспоненциально затухает. Если барьер достаточно тонкий, небольшая часть вероятности остаётся и с другой стороны.
То есть частица может оказаться там, куда классическая физика её не пустила бы.
Вероятность туннелирования резко падает:
- при увеличении ширины барьера
- при увеличении массы частицы
Поэтому электроны туннелируют сравнительно легко, а для больших объектов вероятность практически исчезает.
И это не абстрактный эффект.
Квантовое туннелирование участвует в:
- термоядерных реакциях внутри Солнца
- альфа-распаде
- работе сканирующего туннельного микроскопа
- некоторых механизмах записи и стирания flash-памяти
Один из самых странных эффектов квантовой механики одновременно лежит в основе вполне обычных технологий.
❤16🔥5🥰2
Томас Фуллер, известный как «Вирджинский калькулятор», был порабощённым африканцем, прославившимся феноменальным устным счётом.
Его привезли из Африки и продали в рабство в 1724 году, когда ему было около 14 лет. Несмотря на отсутствие формального образования, Фуллер мог решать сложные математические задачи в уме.
Однажды его спросили, сколько секунд в полутора годах. Он почти сразу ответил:
47 304 000.
В другой раз ему предложили вычислить, сколько секунд прожил человек возрастом 70 лет, 17 дней и 12 часов.
Примерно через полторы минуты Фуллер назвал:
2 210 500 800 секунд.
Один из присутствующих пересчитал всё на бумаге и заявил, что ответ слишком большой.
Фуллер спокойно ответил:
«Вы забыли про високосные годы».
После повторного подсчёта оказалось, что прав был именно он.
За свои способности Томас Фуллер получил прозвище «Virginia Calculator» и остался в истории как один из самых необычных мастеров устного счёта XVIII века.
Его привезли из Африки и продали в рабство в 1724 году, когда ему было около 14 лет. Несмотря на отсутствие формального образования, Фуллер мог решать сложные математические задачи в уме.
Однажды его спросили, сколько секунд в полутора годах. Он почти сразу ответил:
47 304 000.
В другой раз ему предложили вычислить, сколько секунд прожил человек возрастом 70 лет, 17 дней и 12 часов.
Примерно через полторы минуты Фуллер назвал:
2 210 500 800 секунд.
Один из присутствующих пересчитал всё на бумаге и заявил, что ответ слишком большой.
Фуллер спокойно ответил:
«Вы забыли про високосные годы».
После повторного подсчёта оказалось, что прав был именно он.
За свои способности Томас Фуллер получил прозвище «Virginia Calculator» и остался в истории как один из самых необычных мастеров устного счёта XVIII века.
❤12🔥8👍5😱1